参数

• images (VideoInput) — 要预处理的视频。 期望是像素值范围为 0 到 255 的单个或批量视频。 如果传入的图像像素值在 0 到 1 之间，请设置 do_rescale=False。
• do_resize (bool, optional, defaults to self.do_resize) — 是否调整视频大小 (bool，可选，默认为 self.do_resize)。
• size (Dict[str, int], optional, defaults to self.size) — 调整视频大小后的尺寸 (Dict[str, int]，可选，默认为 self.size)。视频的最短边将被调整为 size[“shortest_edge”]，最长边将被调整以保持输入宽高比。
• resample (int, optional, defaults to self.resample) — 如果调整视频大小，则使用的重采样滤波器 (int，可选，默认为 self.resample)。这可以是枚举类型 PILImageResampling 中的一个。仅当 do_resize 设置为 True 时才生效。
• do_center_crop (bool, optional, defaults to self.do_center_crop) — 是否对视频进行中心裁剪 (bool，可选，默认为 self.do_center_crop)。
• crop_size (Dict[str, int], optional, defaults to self.crop_size) — 中心裁剪的大小 (Dict[str, int]，可选，默认为 self.crop_size)。仅当 do_center_crop 设置为 True 时才生效。
• do_rescale (bool, optional, defaults to self.do_rescale) — 是否重新缩放视频 (bool，可选，默认为 self.do_rescale)。
• rescale_factor (float, optional, defaults to self.rescale_factor) — 如果 do_rescale 设置为 True，则通过此重缩放因子来重新缩放视频 (float，可选，默认为 self.rescale_factor)。
• do_normalize (bool, optional, defaults to self.do_normalize) — 是否对视频进行归一化 (bool，可选，默认为 self.do_normalize)。
• image_mean (float or List[float], optional, defaults to self.image_mean) — 用于归一化的帧均值 (float 或 List[float]，可选，默认为 self.image_mean)。仅当 do_normalize 设置为 True 时才生效。
• image_std (float or List[float], optional, defaults to self.image_std) — 用于归一化的帧标准差 (float 或 List[float]，可选，默认为 self.image_std)。仅当 do_normalize 设置为 True 时才生效。
• do_convert_rgb (bool, optional, defaults to self.do_convert_rgb) — 是否将视频转换为 RGB 格式 (bool，可选，默认为 self.do_convert_rgb)。
• return_tensors (str or TensorType, optional) — 返回的张量类型 (str 或 TensorType，可选)。可以是以下之一：
  • Unset: 返回 np.ndarray 列表。
  • TensorType.TENSORFLOW 或 'tf': 返回 tf.Tensor 类型的批次。
  • TensorType.PYTORCH 或 'pt': 返回 torch.Tensor 类型的批次。
  • TensorType.NUMPY 或 'np': 返回 np.ndarray 类型的批次。
  • TensorType.JAX 或 'jax': 返回 jax.numpy.ndarray 类型的批次。
• data_format (ChannelDimension or str, optional, defaults to ChannelDimension.FIRST) — 输出图像的通道维度格式 (ChannelDimension 或 str，可选，默认为 ChannelDimension.FIRST)。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • Unset: 使用输入图像的通道维度格式。
• input_data_format (ChannelDimension or str, optional) — 输入图像的通道维度格式 (ChannelDimension 或 str，可选)。如果未设置，则从输入图像推断通道维度格式。可以是以下之一：
  • "channels_first" 或 ChannelDimension.FIRST: 图像格式为 (num_channels, height, width)。
  • "channels_last" 或 ChannelDimension.LAST: 图像格式为 (height, width, num_channels)。
  • "none" 或 ChannelDimension.NONE: 图像格式为 (height, width)。

参数

• image (np.ndarray) — 要调整大小的图像 (np.ndarray)。
• size (Dict[str, int]) — 输出图像的尺寸 (Dict[str, int])。
• resample (PILImageResampling, optional, defaults to PILImageResampling.BICUBIC) — 调整图像大小时使用的重采样滤波器 (PILImageResampling，可选，默认为 PILImageResampling.BICUBIC)。
• data_format (str or ChannelDimension, optional) — 图像的通道维度格式 (str 或 ChannelDimension，可选)。如果未提供，则与输入图像相同。
• input_data_format (ChannelDimension or str, optional) — 输入图像的通道维度格式 (ChannelDimension 或 str，可选)。如果未提供，则会被推断。

参数

• input_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor) — 词汇表中输入序列 tokens 的索引。如果您提供填充，默认情况下填充将被忽略。

  索引可以使用 AutoTokenizer 获得。 有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  什么是输入 IDs？

• pixel_values (形状为 (batch_size, num_channels, image_size, image_size) 的 torch.FloatTensor) — 对应于输入图像的张量。像素值可以使用 AutoImageProcessor 获得。 有关详细信息，请参阅 LlavaNextVideoImageProcessor.call()。 LlavaProcessor 使用 LlavaNextVideoImageProcessor 处理图像。
• image_sizes (形状为 (batch_size, 2) 的 torch.LongTensor, 可选) — 批次中图像的大小，对于每个图像为 (高度，宽度)。
• attention_mask (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 掩码，用于避免在填充 token 索引上执行 attention。掩码值在 [0, 1] 中选择：
  • 1 表示 token 未被掩码，
  • 0 表示 token 已被掩码。

  什么是 attention 掩码？

  索引可以使用 AutoTokenizer 获得。 有关详细信息，请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。

  如果使用 past_key_values，则可以选择仅输入最后的 decoder_input_ids（请参阅 past_key_values）。

  如果您想更改填充行为，您应该阅读 modeling_opt._prepare_decoder_attention_mask 并根据您的需求进行修改。 有关默认策略的更多信息，请参见 论文 中的图 1。

  • 1 表示 head 未被掩码，
  • 0 表示 head 已被掩码。
• position_ids (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 每个输入序列 token 在位置嵌入中的位置索引。在范围 [0, config.n_positions - 1] 中选择。 什么是位置 IDs？
• past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传递 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor)) 元组，其中每个元组有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量和 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的附加张量。

  包含预先计算的 hidden-states（自注意力模块和交叉注意力模块中的键和值），可用于加速顺序解码（请参阅 past_key_values 输入）。

  如果使用 past_key_values，用户可以选择仅输入最后的 decoder_input_ids（那些没有将其过去的键值状态提供给此模型的），形状为 (batch_size, 1)，而不是所有形状为 (batch_size, sequence_length) 的 decoder_input_ids。

• inputs_embeds (形状为 (batch_size, sequence_length, hidden_size) 的 torch.FloatTensor, 可选) — 可选地，您可以选择直接传递嵌入表示，而不是传递 input_ids。 如果您希望比模型的内部嵌入查找矩阵更精细地控制如何将 input_ids 索引转换为关联的向量，这将非常有用。
• vision_feature_layer (Union[int, List[int]], 可选, 默认为 -2) — 选择视觉特征的层索引。 如果提供多个索引，则相应索引的视觉特征将被连接以形成视觉特征。
• vision_feature_select_strategy (str, 可选, 默认为 "default") — 用于从视觉骨干网络中选择视觉特征的特征选择策略。 可以是 "default" 或 "full" 之一。 如果为 "default"，则从视觉特征中删除 CLS token。 如果为 "full"，则使用完整的视觉特征。
• use_cache (bool, 可选) — 如果设置为 True，则返回 past_key_values 键值状态，并可用于加速解码（请参阅 past_key_values）。
• output_attentions (bool, 可选) — 是否返回所有 attention 层的 attention 张量。 有关更多详细信息，请参见返回张量下的 attentions。
• output_hidden_states (bool, 可选) — 是否返回所有层的 hidden states。 有关更多详细信息，请参见返回张量下的 hidden_states。
• return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
• cache_position (形状为 (sequence_length) 的 torch.LongTensor, 可选) — 描述输入序列 tokens 在序列中位置的索引。 与 position_ids 相反，此张量不受填充的影响。 它用于在正确的位置更新缓存并推断完整序列长度。
• pixel_values_videos (形状为 (batch_size, num_frames, num_channels, image_size, image_size) 的 torch.FloatTensor) -- 对应于输入视频的张量。 像素值可以使用 [AutoImageProcessor](/docs/transformers/v4.50.0/en/model_doc/auto#transformers.AutoImageProcessor) 获得。 有关详细信息，请参阅 LlavaNextVideoVideoProcessor.call。 [LlavaProcessor](/docs/transformers/v4.50.0/en/model_doc/llava#transformers.LlavaProcessor) 使用 LlavaNextVideoVideoProcessor 处理视频。
• labels (形状为 (batch_size, sequence_length) 的 torch.LongTensor, 可选) — 用于计算掩码语言建模损失的标签。 索引应在 [0, ..., config.vocab_size] 或 -100 中（请参阅 input_ids 文档字符串）。 索引设置为 -100 的 tokens 将被忽略（掩码），损失仅针对标签在 [0, ..., config.vocab_size] 中的 tokens 计算。
• logits_to_keep (int 或 torch.Tensor, 可选) — 如果是 int，则计算最后 logits_to_keep 个 tokens 的 logits。 如果为 0，则计算所有 input_ids 的 logits（特殊情况）。 仅生成最后一个 token 的 logits 是必需的，并且仅针对该 token 计算它们可以节省内存，这对于长序列或大词汇表大小而言变得非常重要。 如果是 torch.Tensor，则必须是 1D，对应于要在序列长度维度中保留的索引。 这在使用 packed tensor 格式（批次和序列长度的单维度）时很有用。

一个 transformers.models.llava_next_video.modeling_llava_next_video.LlavaNextVideoCausalLMOutputWithPast 或 torch.FloatTensor 元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），其中包含各种元素，具体取决于配置 (LlavaNextVideoConfig) 和输入。

• loss (形状为 (1,) 的 torch.FloatTensor, 可选, 当提供 labels 时返回) — 语言建模损失（用于下一个 token 预测）。

• logits (形状为 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 语言建模 head 的预测分数（SoftMax 之前每个词汇表 token 的分数）。

• past_key_values (tuple(tuple(torch.FloatTensor)), 可选, 当传递 use_cache=True 或当 config.use_cache=True 时返回) — 长度为 config.n_layers 的 tuple(tuple(torch.FloatTensor)) 元组，其中每个元组有 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量）

  包含预先计算的 hidden-states（自注意力模块中的键和值），可用于加速顺序解码（请参阅 past_key_values 输入）。

• hidden_states (tuple(torch.FloatTensor), 可选, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 元组（如果模型具有嵌入层，则为嵌入输出之一，以及每个层的输出之一），形状为 (batch_size, sequence_length, hidden_size)。

  模型在每一层输出端的 hidden-states，以及可选的初始嵌入输出。

• attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 元组（每层一个），形状为 (batch_size, num_heads, sequence_length, sequence_length)。

  attention softmax 之后的 attention 权重，用于计算自注意力 head 中的加权平均值。

• image_hidden_states (torch.FloatTensor, 可选) — 形状为 (batch_size * num_patches, num_images, sequence_length, hidden_size) 的 torch.FloatTensor。 由视觉编码器生成并在投影最后一个 hidden state 之后的模型的 image_hidden_states。

• video_hidden_states (torch.FloatTensor, 可选) — 形状为 (batch_size * num_frames, num_videos, sequence_length, hidden_size) 的 torch.FloatTensor。 由视觉编码器生成并在投影最后一个 hidden state 之后的模型的 video_hidden_states。